152: 千寻智能韩峰涛：具身模型淘汰赛和落地的非共识
具身智能的融资和演示正在升温，但韩峰涛关心的不是谁先拿到大订单。他把这轮竞争理解为一场先补数据、再爬模型能力的长跑：模型还不够强时，客户项目能带来场景理解和数据；模型变强后，机器人才能从重工程交付走向可复制的产品。
从工业机器人周期里学到的事
韩峰涛进入机器人行业很早。研究生阶段，他接触过神经网络和机器人控制，但当时国内相关岗位很少。毕业后短暂进入流程工业，2013 年又回到工业机器人领域。2015 年，他与同事创办珞石，赶上了中国工业机器人扩张和国产替代的窗口。
这段经历让他看见了国产替代的价值，也看见了它的边界。访谈中，他回忆中国工业机器人年销量从 2014 年约 8 万台增长到 2024 年约 30 万台，国产品牌的市场份额也已过半。但他强调，工业机器人仍是一个体量有限、竞争充分的市场。按他在节目中的估算，2024 年全球约卖出 50 万台工业机器人，按每台约 2 万美元计算，市场规模约为 100 亿美元。
数字的重点不在于否定工业机器人，而在于说明一个现实：机器人能做的工序少，行业再成熟，渗透率也未必足以撑起高利润和大规模增长。
珞石曾为京瓷做陶瓷刀磨削工作站。这个任务需要视觉识别每把刀的细微差别，在金刚石磨盘上控制角度和力度，还要同时保证稳定性、速度和一致性。团队花了一年多把效果做到很高，但全球需求只有八台。技术难度和市场容量之间的落差，成了韩峰涛后来选择场景时反复提起的教训。
第二次创业，先去找做大脑的人
2023 年 ChatGPT 带来的变化，让韩峰涛重新判断机器人行业。他认为，上一轮深度学习让视觉、力控等模块更好用，却难以提供一个通用的大脑；大模型则首次让物理世界的通用学习成为值得下注的技术方向。于是，第二次创业时，他没有从自己擅长的关节、整机或控制器出发，而是先寻找能做具身模型的合伙人。
他翻过六千多人的通讯录，前后见了百余人，最终与高阳合作。两人并非只讨论技术能力，还反复谈分工、对科研和落地的看法、遇到分歧时如何处理，以及是否能长期一起做事。韩峰涛把具身智能看作至少二十年的事业，因此合伙人之间能否接受反馈、共同修正判断，和技术背景一样重要。
模型
具身模型负责空间理解、轨迹规划等上层决策，目标是扩大机器人对场景和动作变化的适应范围。
本体
客户最终购买的是能工作的机器人。早期团队需要控制本体与系统集成，才能保证性能并获取现场反馈。
商业化
客户场景决定产品形态、交付成本和数据权限。它不能替代模型研发，却也不能拖到模型成熟后才开始理解。
在他的组织设想里，信任不是泛泛的文化口号。人很难靠自己发现所有错误，团队更常见的修正方式是同事指出问题，决策者愿意接受。韩峰涛与高阳关于数据投入的分歧，正是这种机制的一次实践：当自有机器人尚未准备好时，高阳坚持先买外部机械臂采集数据，让模型迭代不要被硬件开发进度拖住。
数据能力取决于采集和训练的生产线
韩峰涛把具身模型比作物理世界的大模型。按照他的叙述，第一道关卡是数据，之后才是扩大训练规模和批量部署。这个排序也解释了千寻为何把大部分资源放在基模：基本能力不足时，每进入一个新场景都需要大量后训练、采集和工程工作；能力提高后，微调和交付才有机会变轻。
千寻选择真实数据为主的路线。团队用人类工作视频做预训练，过去两年已积累约 20 万小时；遥操作数据质量高，主要用于微调；可穿戴设备则试图在真实工作中以更低成本采到大规模动作数据。最后，机器人到真实场景工作时收集失败案例，再用强化学习补足能力。
这套路线没有把设备当作单一产品。Umi 类方案主要记录手部动作，外骨骼能提供更多手臂构型信息，动捕可以取得更精细的全身数据。韩峰涛把它们称为数据配方：不同设备覆盖不同部分，数据回到训练前还要经历切段、标注、质检和算法处理。
早期状态
他称，可穿戴设备早期的数据可用性只有遥操作数据的 20% 到 30%。学习同一个动作，需要更多数据量。
迭代后的目标
经过近百次迭代，团队称可用性从 30% 提高到 95%。改变来自设备、数据管线和模型算法的共同调整。
对 2026 年，韩峰涛给出的采集目标是 100 万小时可穿戴设备数据，并用过去 1 万小时遥操作数据训练开源模型的经验作数量级对照。他更在意的指标是数据加速度：设备、数据管理平台、训练流程和数据算法共同决定了一家公司能以多快速度产出下一批可训练数据。
做宁德时代项目，是为了看清复制条件
千寻并没有因为模型优先就拒绝商业化。韩峰涛说，团队从 2025 年元旦开始推进宁德时代的场景。机器人与纯软件不同，模型只是产品的一部分。等到模型能力充分后再认识产品形态、客户需求和首批市场，很可能已经太晚；同时，工厂和物流等私有场景的数据也不能在办公室里获得。
宁德时代给出近两百道电池工序，团队最后选择了插拔检测。这个任务既需要端到端模型，也需要力控；生产节拍较慢，插头较大，机器人第一次失败后可以再试一次，容错率相对更高。它还能让机器人进入真实产线，把失败案例带回训练流程。韩峰涛看重的不是单一演示效果，而是模型、本体、节拍、容错和数据闭环能否同时成立。
从接触到验收，该项目约用了 11 个月。韩峰涛特别提到，时间不只花在模型上，也花在现场工程和客户协作上。研发人员需要到工厂写代码、调模型；当基模较弱时，团队甚至需要针对一个场景重新采很多数据。这种方式能完成早期项目，却无法低成本复制。
千寻希望把未来产品做成标准机器人、具身模型和数据管理能力的组合。客户在平台上采数据、微调和部署自己的任务，团队才不必为每一个新工厂承担最后一百米的重工程交付。
先找需要泛化的 B 端任务
韩峰涛没有把具身机器人描述为对传统专机的直接替换。固定货架、固定位置和固定动作，仍适合专机和传统自动化。具身模型被期待解决的是变化带来的困难，例如零售中物品摆放不整齐、取物后还要盘点和补货，或酒店清洁中需要处理不同房间、不同物件和不同状态。
因此，千寻把动力电池、物流、酒店和零售视为优先方向。韩峰涛给出的筛选标准包括市场足够大、需求仍在增长、客户集中且愿意付费，以及国内外需求相近。他希望先在中国打磨产品，再将产品卖到海外。这个选择沿用了磨刀工作站留下的教训：能力做得很深之前，先确认任务是否能成为大市场的一部分。
家庭市场在他看来更大，但落地顺序要看条件。韩峰涛对模型在家庭完成洗衣、简单清洁等任务的可能性较乐观，同时强调安全问题会更早挡在产品前面。几十公斤的机器人可能倾倒，电池容量也远大于电动自行车电池。家庭场景的第一批机会，或许来自固定区域、插电运行、只解决少数任务的专用机器人，而非一开始就做全能的人形机器人。
2026 年先分出模型能力，再谈谁能放量
韩峰涛不认同把 2026 年定义为具身落地的生死之年。他用 GPT-2 来比喻当前具身模型的基本能力：看起来已有一点智能，但离广泛部署还远。按他的判断，接下来一年的焦点应该是数据量和模型性能能否出现清晰变化；大规模落地更可能在 2027 年下半年到 2028 年出现。这是他的预测，而非行业共识。
在这套判断中，能留在牌桌上的公司需要几件事同时成立：有真正的 AI 积累，账上有足够资金，能持续生产数据，也有商业化计划和产业资源。已有的数据量重要，但更重要的是积累能否形成新的采集速度。后来入场的团队若有资金和较强的人才，可能追上一部分过程；先行者的优势则来自一年多设备、管线和训练上的细节积累。
他预计大厂会在更明确的商业化信号出现后投入更多资源，因此创业公司的时间窗口有限。面对这件事，韩峰涛给出的答案很朴素：先把核心卡点做深，再把能力转成可复制产品和市场位置。过去在工业机器人周期里经历过资金紧张、扩张失控和客户投诉后，他对短期营收的克制，也来自对重交付成本的认识。